Regras de Associação

‰ A compra de um produto quando

um outro produto é comprado
representa uma Regra de
Associação
‰ Regras de Associação são
frequentemente utilizadas para
apoiar campanhas de marketing e
controle de estoque de lojas mas
também em outras áreas, tais como
descrever falhas em linhas de
comunicação, ações na interface
do usuário, crimes cometidos por
uma pessoa, ocorrências de
doenças recorrentes
José Augusto Baranauskas E-mail: augusto@usp.br
Departamento de Física e Matemática – FFCLRP-USP URL: http://dfm.ffclrp.usp.br/~augusto
Introdução
‰ Algoritmo Apriori proposto por Agrawal et al (1993)
‰ É um modelo estudado extensivamente pelas
comunidades de bancos de dados e aprendizado de
máquina
‰ Assume que os dados não categóricos; portanto, não
se aplica a dados numéricos
‰ Inicialmente utilizado na análise de cesta de compras
em supermercados (Market Basket Analysis) para
determinar como os itens comprados por clientes
estão relacionados
ƒ {leite, pão} → {manteiga} [sup = 5%, conf = 100%]

2
Introdução
‰A geração de Regras de Associação (RA) é
uma tarefa descritiva (Aprendizado Não
Supervisionado)
ƒ Outros termos: AR (Association Rule), ARM
(Association Rule Mining), Link Analysis, Affinity
Analysis, Market Basket Analysis
‰RAs são utilizadas para mostrar o relacionamento
entre os exemplos (itens de dados)
‰Os relacionamentos descobertos não são
inerentes aos exemplos e eles não representam
nenhum tipo de causa ou correlação
‰Ao invés, RAs detectam o uso comum de itens
3
Introdução
‰ A tarefa de associação tem como objetivo encontrar
elementos que implicam na presença de outros
elementos em uma mesma transação, ou seja, encontrar
relacionamentos ou padrões freqüentes entre conjuntos
de exemplos
‰ Portanto, Regras de Associação representam padrões
existentes nas transações de um banco de dados
‰ Um exemplo típico consiste em transações nas quais são
armazenados os itens adquiridos por clientes
ƒ Uma regra de associação para este exemplo poderia ser
{leite, pão} → {manteiga}, que indica que se o cliente compra
leite e pão, com um determinado grau de certeza, ele também
compra manteiga

4
Formato dos Exemplos
‰ Os exemplos podem estar armazenados como transações
ou no formato de tabela atributo-valor
ƒ Formato de transação
™ A, B
™ A, C, D, E
™ A, D, F
ƒ Formato de tabela atributo-valor
™ X1 X2 X3
™ A, B, D
™ B, C, E
‰ Dados no formato de tabela precisam ser convertidos
para o formato de transação para aplicar o algoritmo de
regras de associação
ƒ Usando a tabela atributo-valor anterior, a transformação para o
formato de transações é
™ X1=A, X2=B, X3=D
™ X1=B, X2=C, X3=E
5
Regra de Associação
‰ Uma regra assume a forma if L then R que é equivalente
a L → R ≡ R ← L ≡ R :- L
‰ Normalmente, as partes esquerda L e direita R são
complexos sem atributos comuns entre eles, ou seja
ƒ atributos(L) ∩ atributos(R) = Ø
‰ A parte esquerda L é denominada condição, premissa,
antecedente, cauda ou corpo da regra
‰ A parte direita R é denominada conclusão ou cabeça da
regra
‰ Note que em uma regra de associação não existe uma
definição explícita de classe e qualquer atributo (ou
atributos) pode ser usado na conclusão da regra
‰ Exemplo
ƒ if X3='S' and X5 > 2 then X1='N‘ and X2<1

6
Complexo

‰É uma conjunção no formato atributo-valor, da

forma:
Xi op valor
onde Xi é um atributo, op é um operador e valor é
constante válida para o atributo Xi
‰Exemplos
ƒ aparência=sol
ƒ temperatura=quente ∧ umidade=alta
ƒ aparência=sol ∧ umidade=alta ∧ jogar=não

7
Item
‰Na nomenclatura de RA, existem algumas
definições adicionais e específicas da área, tais
como item e itemset que são derivadas do
conceito de complexo
‰Um item pode ser visto como um único teste do
tipo atributo-valor, ou seja, é um complexo
contendo uma única condição
‰Exemplos
ƒ aparência=sol
ƒ temperatura=quente
ƒ umidade=alta

8
Itemset
‰ Um itemset é uma conjunção de items, ou seja, os testes
em um itemset estão ligados entre si pelo conectivo
lógico e (∧)
‰ É óbvio que não há interesse em itemsets contendo dois
diferentes valores para o mesmo atributo, já que ele não
pode ocorrer nos exemplos de treinamento
ƒ Por exemplo: aparência=sol ∧ aparência=nublado
‰ Normalmente omite-se a representação do conectivo,
usando espaços ou vírgulas por simplificação
‰ Exemplos
ƒ aparência=sol
ƒ aparência=sol, umidade=normal
ƒ aparência=sol temperatura=quente umidade=alta jogar=não

9
Itemset
‰O número de condições determina a
dimensão de um itemset
‰Um itemset contendo teste em um único
atributo é denominado 1-itemset
‰Um itemset contendo testes em dois
atributos é denominado 2-itemset
‰De forma geral, um itemset contendo r
testes (r ≤ m, onde m é o número de
atributos do conjunto de exemplos) é um r-
itemset
10
Exemplos (Esporte Favorito)
‰ 1-itemsets ‰ 3-itemsets
ƒ aparência=sol ƒ aparência=sol,
ƒ aparência=nublado temperatura=quente,
ƒ aparência=chuva umidade=alta
ƒ temperatura=fria ƒ aparência=sol,
temperatura=quente,
ƒ temperatura=agradável jogar=não
ƒ ... ƒ ...
‰ 2-itemsets ‰ 4-itemsets
ƒ aparência=sol, ƒ aparência=sol,
temperatura=fria temperatura=quente,
ƒ aparência=sol, umidade=alta,
temperatura=quente jogar=não
ƒ aparência=sol, ƒ aparência=sol,
umidade=normal umidade=alta,
ƒ ... ventando=falso,
jogar=não
ƒ ...
11
Geração de RA
‰Regras de associação são similares a regras de
classificação
‰Seria possível empregar o algoritmo de indução
de regras para cada itemset possível que
poderia ocorrer na conclusão (parte direita) da
regra
‰Entretanto, isso geraria um número enorme de
regras de associação
ƒ Para m itens únicos, existem 2m itemsets candidatos
(na realidade, 2m-1 itemsets se desprezarmos o
itemset vazio, já que não temos interesse nele)
‰Assim, algum critério tem que ser escolhido para
diminuir a quantidade de regras
12
 Geração de RA
 5 ∅
  = 1
 0
5 A B C D E
  = 5
1
5
  = 10 AB AC AD AE BC BD BE CD CE DE
 2

5
  = 10 ABC ABD ABE ACD ACE ADE BCD BCE BDE CDE
 3

5
  = 5 ABCD ABCE ABDE ACDE BCDE
 4

5
  = 1 ABCDE
5
13
Geração de RA
m Itemsets Número de Regras
1 2 1
‰ Dados m itens (únicos) 2 4 5
ƒ Há  m  r-itemsets 3 8 19
r 4 16 65
  5 32 211
6 64 665
ƒ Número total de itemsets 7 128 2059
m
 m 8 256 6305
= ∑   = 2 m 9 512 19171
r =0  r 
10 1024 58025
3
60 x 10
ƒ Cada r-itemset gera 2r-1
regras em potencial 50

Número de Regras
ƒ Portanto, o número total de 40

regras de associação é 30

m
m 20

= ∑   × (2 r − 1) 10
r =1  r 
0

= 3m − 2 m 1 2 3 4 5
m
6 7 8 9 10

14
 Exemplo (Esporte Favorito)

Exemplo Aparência Temperatura Umidade Ventando Jogar

z1 sol quente alta falso não
z2 sol quente alta verdadeiro não Itemsets Tamanho
z3 nublado quente alta falso sim
z4 chuva agradável alta falso sim
1-itemsets 12
z5 chuva fria normal falso sim 2-itemsets 57
z6 chuva fria normal verdadeiro não
z7 nublado fria normal verdadeiro sim 3-itemsets 134
z8 sol agradável alta falso não
z9 sol fria normal falso sim 4-itemsets 156
z10 chuva agradável normal falso sim 5-itemsets 72
z11 sol agradável normal verdadeiro sim
z12 nublado agradável alta verdadeiro sim Total 431
z13 nublado quente normal falso sim
z14 chuva agradável alta verdadeiro não

15
Algoritmo Apriori
‰O algoritmo Apriori é o algoritmo de regras de
associação mais conhecido e utilizado em
diversas aplicações
‰Ele pode ser dividido em duas etapas
ƒ Encontrar os itemsets freqüentes (aqueles com suporte
≥ min_sup)
ƒ Gerar as regras a partir dos itemsets freqüentes (com
confiança ≥ min_conf)
‰Os valores min_sup e min_conf são parâmetros
que devem ser fornecidos ao algoritmo

16
Apriori: Ordem dos Itens

‰Os itens e itemsets são ordenados em

ordem lexicográfica (que é uma ordem
total)
ƒ Se {i1, i2, ..., ir} representa um r-itemset
composto pelos itens i1, i2, ..., ir então i1< i2 < ...
< ir de acordo com a ordem lexicográfica
‰A ordem é utilizada pelo algoritmo na
geração de cada itemset

17
Suporte
‰Para reduzir o número de regras evita-se gerar
regras que cobrem poucos exemplos
‰Para tanto, é definindo um valor mínimo para o
suporte (min_sup)
‰Somente os itemsets com suporte ≥ min_sup são
considerados pelo algoritmo
ƒ Os itemsets com suporte ≥ min_sup são denominados
itemsets freqüentes (large or frequent itemsets)
ƒ Os itemsets com suporte < min_sup são itemsets não
freqüentes

18
Suporte
‰Em RA, o suporte pode ser expresso de forma
absoluta ou relativa:
ƒ Suporte (absoluto): número de exemplos cobertos
(corretamente) pelo itemset
ƒ Suporte (relativo): número de exemplos cobertos
(corretamente) pelo itemset dividido pelo número total
de exemplos no conjunto de exemplos de treinamento
ƒ Não há ambigüidade no uso de ambos:
™se 0 ≤ suporte ≤ 1 então trata-se de um valor relativo
™se suporte ≥ 1 e assume valores inteiros (número de
exemplos) então trata-se de um valor absoluto
‰Vamos ignorar por alguns momentos a distinção
entre os lados esquerdo e direito de uma regra e
procurar por itemsets freqüentes
19
Exemplo, min_sup=2
‰Suponha um supermercado, no qual quatro
clientes fizeram compras de produtos
(itens)
‰Os exemplos no formato transacional são
ƒ Cliente 1 comprou produtos A, C, D
ƒ Cliente 2 comprou produtos B, C, E
ƒ Cliente 3 comprou produtos A, B, C, E
ƒ Cliente 4 comprou produtos B, E
‰Vamos gerar os itemsets freqüentes,
assumindo min_sup=2
20
 Exemplo, min_sup=2
1-itemset 1-itemset sup
Varredura do
Transações conjunto de {A} {A} 2 1-itemset sup
exemplos
A, C, D {B} {B} 3 {A} 2
B, C, E {C} {C} 3 {B} 3
A, B, C, E C1 F1 {C} 3
{D} {D} 1
B, E {E} {E} 3 {E} 3
C2
3-itemset 2-itemset sup 2-itemset sup 2-itemset
Varredura do
{A, B, C} {A, C} 2 {A, B} 1 conjunto de {A, B}
exemplos
{B, C} 2 {A, C} 2 {A, C}
{A, B, E}
{B, E} 3 {A, E} 1 {A, E}
{A, C, E} C3 F2
{C, E} 2 {B, C} 2
{B, C}
{B, C, E} {B, E} 3
{B, E}
{C, E} 2
3-itemset sup {C, E}
{A, B, C} 1 F3
{A, B, E} 1 3-itemset sup
Varredura do {A, C, E} 1 {B, C, E} 2
conjunto de
exemplos {B, C, E} 2
21
 Exemplo, min_sup=2
∅

A B C D E

AB AC AD AE BC BD BE CD CE DE

ABC ABD ABE ACD ACE ADE BCD BCE BDE CDE

ABCD ABCE ABDE ACDE BCDE

ABCDE
22
 Exemplo, min_sup=2
∅

A B C D E

AB AC AD AE BC BD BE CD CE DE

ABC ABD ABE ACD ACE ADE BCD BCE BDE CDE

ABCD ABCE ABDE ACDE BCDE

ABCDE
23
Algoritmo Apriori
‰ Apriori utiliza o Princípio do Itemsets Freqüentes
ƒ Qualquer subconjunto de um itemset freqüente também é
freqüente
‰ Este princípio é válido devido à seguinte propriedade da
métrica suporte:
ƒ ∀X ∀Y : X ⊆ Y → suporte(X) ≥ suporte(Y)
™ O suporte de um itemset Y nunca excede o suporte de seus sub-
itemsets X
ƒ Também conhecida como propriedade anti-monotônica do suporte
‰ O contra-positivo dessa propriedade é que se um itemset
não é freqüente então não é necessário gerar quaisquer
superconjuntos dele como candidatos, porque eles
também serão não freqüentes
‰ Os itemsets candidatos gerados ainda precisam ser
confirmados se efetivamente são freqüentes, pela
varredura do conjunto de exemplos
24
Geração de Itemsets
‰Como pode ser observado, os itemsets formam
um conjunto parcialmente ordenado (reticulado
ou lattice)
‰Assim, na geração de itemsets freqüentes é
utilizada a seguinte idéia: usar os 1-itemsets
freqüentes para gerar 2-itemsets, usar os 2-
itemsets freqüentes para gerar 3-itemsets e
assim por diante
ƒ Se {A,B} é um itemset freqüente, então {A} e {B}
devem também ser itemsets freqüentes
ƒ Em geral, se X é um r-itemset freqüente, então todos
os (r-1)-itemsets de X são também freqüentes
ƒ Assim, a computação de um r-itemset é feita pela
fusão de (r-1)-itemsets
25
Exemplo: ACD é freqüente
∅

A B C D E

AB AC AD AE BC BD BE CD CE DE
Itemset
verificado
como
freqüente ABC ABD ABE ACD ACE ADE BCD BCE BDE CDE

(sub)itemsets
ABCD ABCE ABDE ACDE BCDE
que também
são
freqüentes
ABCDE

26
 Exemplo: AB é não freqüente
∅

A B C D E

Itemset
verificado
como não AB AC AD AE BC BD BE CD CE DE
freqüente

ABC ABD ABE ACD ACE ADE BCD BCE BDE CDE

ABCD ABCE ABDE ACDE BCDE

(super)itemsets
podados
(descartados) ABCDE

27
 Exemplo (Esporte Favorito),
min_sup=2

Exemplo Aparência Temperatura Umidade Ventando Jogar

z1 sol quente alta falso não
Itemsets Tamanho
z2 sol quente alta verdadeiro não
z3 nublado quente alta falso sim 1-itemsets 12
z4 chuva agradável alta falso sim
z5 chuva fria normal falso sim 2-itemsets 47
z6 chuva fria normal verdadeiro não
3-itemsets 39
z7 nublado fria normal verdadeiro sim
z8 sol agradável alta falso não 4-itemsets 6
z9 sol fria normal falso sim
z10 chuva agradável normal falso sim 5-itemsets 0
z11 sol agradável normal verdadeiro sim Total 104
z12 nublado agradável alta verdadeiro sim
z13 nublado quente normal falso sim
z14 chuva agradável alta verdadeiro não

28
1-Itemsets com min_sup=2
1. aparência=sol (5)
2. aparência=nublado (4)
3. aparência=chuva (5)
4. temperatura=fria (4)
5. temperatura=agradável (6)
6. temperatura=quente (4)
7. umidade=normal (7)
8. umidade=alta (7)
9. ventando=verdadeiro (6)
10. ventando=falso (8)
11. jogar=sim (9)
12. jogar=não (5)
29
2-Itemsets com min_sup=2
1. aparência=sol
temperatura=agradável (2)
2. aparência=sol
temperatura=quente (2)
3. aparência=sol
umidade=normal (2)
4. aparência=sol
umidade=alta (3)
5. aparência=sol
ventando=verdadeiro (2)
6. aparência=sol
ventando=falso (3)
7. aparência=sol
jogar=sim (2)
8. aparência=sol
jogar=não (3)
9. aparência=nublado
temperatura=quente (2)
10. aparência=nublado
umidade=normal (2)
11. aparência=nublado
umidade=alta (2)
12. aparência=nublado
ventando=verdadeiro (2)
13. aparência=nublado
ventando=falso (2)
...
38. umidade=normal
ventando=falso (4)
39. umidade=normal
jogar=sim (6)
40. umidade=alta
ventando=verdadeiro (3)
...
47. ventando=verdadeiro
jogar=não (2)
30
3-Itemsets com min_sup=2
1. aparência=sol 9. aparência=nublado
temperatura=quente umidade=normal
umidade=alta (2) jogar=sim (2)
2. aparência=sol 10. aparência=nublado
temperatura=quente umidade=alta
jogar=não (2) jogar=sim (2)
3. aparência=sol 11. aparência=nublado
umidade=normal ventando=verdadeiro
jogar=sim (2) jogar=sim (2)
4. aparência=sol 12. aparência=nublado
umidade=alta ventando=falso
ventando=falso (2) jogar=sim (2)
5. aparência=sol 13. aparência=chuva
umidade=alta temperatura=fria
jogar=não (3) umidade=normal (2)
6. aparência=sol ...
ventando=falso 38. umidade=normal
jogar=não (2) ventando=falso
7. aparência=nublado jogar=sim (4)
temperatura=quente 39. umidade=alta
ventando=falso (2) ventando=falso
8. aparência=nublado jogar=não (2)
temperatura=quente
jogar=sim (2)
31
4-Itemsets com min_sup=2
1. aparência=sol 4. aparência=chuva
temperatura=quente temperatura=agradável
umidade=alta ventando=falso
jogar=não (2) jogar=sim (2)
2. aparência=sol 5. aparência=chuva
umidade=alta umidade=normal
ventando=falso ventando=falso
jogar=não (2) jogar=sim (2)
3. aparência=nublado 6. temperatura=fria
temperatura=quente umidade=normal
ventando=falso ventando=falso
jogar=sim (2) jogar=sim (2)

32
Confiança
‰ Assim que todos os itemsets freqüentes foram gerados, o
próximo passo consiste em transformar cada itemset em
uma regra (ou conjunto de regras) com uma precisão
(confiança) mínima especificada, denotada por min_conf
‰ Dado um itemset somente as regras com confiança ≥
min_conf são geradas
‰ De forma geral, a confiabilidade positiva (prel) é utilizada
como métrica de precisão (confiança)
lr
prel( L → R) = p( R | L) =
l

‰ Para uma dada precisão, alguns itemsets podem produzir

mais de uma regra; outros nenhuma
33
Exemplo
‰Dado o 3-itemset (nº 38) com suporte=4
ƒ umidade=normal, ventando=falso, jogar=sim (4)
‰Este 3-itemset gera 7 regras em potencial
ƒ Um r-itemset gera 2r-1 regras em potencial
Regra em Potencial prel
1 if umidade=normal and ventando=falso then jogar=sim 4/4 = 100.00%
2 if umidade=normal and jogar=sim then ventando=falso 4/6 = 66.67%
3 if ventando=falso and jogar=sim then umidade=normal 4/6 = 66.67%
4 if umidade=normal then ventando=falso and jogar=sim 4/7 = 57.14%
5 if ventando=falso then umidade=normal and jogar=sim 4/8 = 50.00%
6 if jogar=sim then umidade=normal and ventando=falso 4/9 = 44.44%
7 if - then umidade=normal and ventando=falso and jogar=sim 4/14 = 28.57%
34
Exemplo
‰ Assumindo min_conf=100% apenas a primeira das
regras anteriores irá para o conjunto final de regras
‰ A última regra não tem condições (ou equivalentemente, é
sempre verdadeira) e o seu denominador é o número total
de exemplos no conjunto de treinamento
‰ O slide seguinte mostra o conjunto final de RAs com
min_sup=2 e min_conf=100% para o exemplo de jogar o
esporte favorito
‰ Há 58 regras
ƒ 3 com suporte=4
ƒ 5 com suporte=3
ƒ 50 com suporte=2
ƒ Apenas 7 têm dois testes na conclusão e nenhuma tem mais de
dois
35
Conjunto Final de RAs
Regra de Associação Suporte Confiança
1 aparencia=nublado → jogar=sim 4 100%
2 temperatura=fria → umidade=normal 4 100%
3 umidade=normal ventando=falso → jogar=sim 4 100%
4 aparencia=sol jogar=nao → umidade=alta 3 100%
5 aparencia=sol umidade=alta → jogar=nao 3 100%
6 aparencia=chuva jogar=sim → ventando=falso 3 100%
7 aparencia=chuva ventando=falso → jogar=sim 3 100%
8 temperatura=fria jogar=sim → umidade=normal 3 100%
9 aparencia=sol temperatura=quente → umidade=alta 2 100%
10 temperatura=quente jogar=nao → aparencia=sol 2 100%
11 aparencia=sol temperatura=quente → jogar=nao 2 100%
12 aparencia=sol jogar=sim → umidade=normal 2 100%
13 aparencia=sol umidade=normal → jogar=sim 2 100%
... ... ... ... ... ...
57 temperatura=fria umidade=normal → jogar=sim 2 100%
ventando=falso
58 temperatura=fria ventando=falso → umidade=normal 2 100%
jogar=sim

36
Apriori
‰Algoritmo Iterativo: Encontre todos os 1-itemsets
freqüentes, depois encontre os 2-itemsets
freqüentes e assim por diante
ƒ Em cada iteração k, apenas considere k-itemsets que contenham
(k-1)-itemsets freqüentes
‰Encontre itemsets de tamanho 1: F1 (varredura
inicial)
‰A partir de k = 2
ƒ Ck = candidatos de tamanho k: aqueles itemsets de
tamanho k que podem ser freqüentes, dado Fk-1
ƒ Fk = itemsets que realmente são freqüentes, Fk ⊆ Ck
(necessita uma varredura do conjunto de exemplos)
37
Exemplo, min_sup=2
‰Varredura inicial de T Transações
A, C, D
ƒ C1: {A}:2, {B}:3, {C}:3, {D}:1, {E}:3
B, C, E
ƒ F1: {A}:2, {B}:3, {C}:3, {E}:3 A, B, C, E
ƒ C2: {A,B}, {A,C}, {A,E}, {B,C}, {B,D}, {C,E} B, E

‰2a. Varredura de T
ƒ C2: {A,B}:1, {A,C}:2, {A,E}:1, {B,C}:2, {B,E}:3, {C,E}:2
ƒ F2 : {A,C}:2, {B,C}:2, {B,E}:3, {C,E}:2
ƒ C3: {B,C,E}
‰3a. Varredura de T
ƒ C3: {B, C, E}:2
ƒ F3: {B, C, E}

38
Apriori
Algoritmo Apriori(T)
C1 ← varredura_inicial(T);
F1 ← {f | f ∈ C1, f.count ≥ min_sup};
for (k = 2; Fk-1 ≠ ∅; k++) do
Ck ← Apriori_gen(Fk-1);
for cada transação t ∈ T do
for cada candidato c ∈ Ck do
if c está contido em t then
c.count++;
endif
next candidato
next transação
Fk ← {c ∈ Ck | c.count ≥ min_sup};
end
return F ← Uk Fk;
39
Apriori Gen
Function Apriori_gen(Fk-1)
// Input: conjunto Fk-1
// Output: candidatos para Fk
Ck ← ∅;
forall f1, f2 ∈ Fk-1
com f1 = {i1, … , ik-2, ik-1}
e f2 = {i1, … , ik-2, i’k-1}
e ik-1 < i’k-1 do
c ← {i1, …, ik-1, i’k-1}; // juntar f1 e f2
Ck ← Ck ∪ {c};
for cada (k-1)-subconjunto s de c do
if (s ∉ Fk-1) then
remova c de Ck; // podar
endif
next
next
return Ck;
40
Considerações Importantes
‰Utilizando um único valor para min_sup implica
que o algoritmo assume que todos os itens
possuem freqüências similares
‰Em muitos domínios, isso não é válido, pois
alguns itens aparecem muito frequentemente
enquanto outros raramente aparecem
‰Por exemplo
ƒ Em um supermercado, clientes compram panelas e
frigideiras muito menos frequentemente do que pão e
leite
ƒ Em um hospital, pacientes com doenças de alta
complexidade ocorrem com muito mais freqüência do
que de baixa complexidade

41
Considerações Importantes
‰ Escolha de min_sup
ƒ Diminuir o valor de min_sup resulta em maior quantidade de
itemsets freqüentes
ƒ Isso pode aumentar o número de candidatos e a dimensão
máxima dos itemsets freqüentes (gerando regras com mais
condições/conclusões)
‰ Número de itens no conjunto de exemplos
ƒ Quanto mais itens, maior o espaço necessário para armazenar o
suporte de cada item
ƒ Se o número de itemsets freqüentes também for grande, o tempo
de computação e de I/O também podem aumentar
‰ Número de transações (tamanho do banco de dados ou
conjunto de exemplos)
ƒ O tempo de execução pode aumentar com o aumento do número
de transações, uma vez que o algoritmo Apriori efetua múltiplas
varreduras

42
Considerações Importantes
‰Se há uma grande variação na freqüência
dos itens, há dois problemas
ƒ Se min_sup for muito grande as regras que
envolvem itens raros não serão encontradas
ƒ Para encontrar regras que envolvem tanto
itens freqüentes como itens raros, min_sup
deve ser bem pequeno
™Isso pode causar uma explosão combinatória já que
os itens freqüentes (1-itemsets) serão associados
entre si de todas as formas possíveis, anulando a
poda no reticulado

43
Resumo
‰ Duas métricas usualmente utilizadas em RA são suporte
e confiança
‰ Há duas etapas na indução de RA
ƒ Geração de itemsets com min_sup
™ gera todos os 1-itemsets com min_sup fornecido e então os usa para
gerar os 2-itemsets, 3-itemsets e assim por diante
¾ Cada operação envolve uma varredura no conjunto de exemplos para
contar os itens em cada itemset
ƒ A partir de cada itemset determinar as regras que possuem
min_conf
™ avalia cada itemset e gera regras, verificando se elas têm min_conf
especificada
‰ Na prática, o tempo de computação necessário depende
do min_sup especificado, pois ele determina o número
de varreduras efetuadas em todo o conjunto de exemplos

44